Documents disponibles écrits par cet auteur

Runoff and Sediment Yield Modeling Using Artificial Neural Networks: Upper Siwane River, India / Raghuwanshi, N. S. in Journal of hydrologic engineering, Vol. 11, N°1 (Janvier/Fevrier 2006)

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 11, N°1 (Janvier/Fevrier 2006) . - 71-79 p. Titre : Runoff and Sediment Yield Modeling Using Artificial Neural Networks: Upper Siwane River, India Titre original : Rendement d'Ecoulement et de Sédiment Modelant en Utilisant les Réseaux Neurologiques Artificiels : Fleuve Supérieur De Siwane, Inde Type de document : texte imprimé Auteurs : Raghuwanshi, N. S., Auteur ; Singh, R, Auteur ; Reddy, L. S. Article en page(s) : 71-79 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Runoff  Sediment  Yield  India  Neural  networks  Rendement  Rivers  Hydrologic  models  Ecoulement  Rendement  Réseaux  neurologiques  Fleuves  Modèles  hydrologiques Index. décimale : 551.4 Résumé : Accurate estimation of both runoff and sediment yield is required for proper watershed management. Artificial neural network (ANN) models were developed, to predict both runoff and sediment yield on a daily and weekly basis, for a small agricultural watershed. A total of five models were developed for predicting runoff and sediment yield, of which three models were based on a daily interval and the other two were based on a weekly interval. All five models were developed both with one and two hidden layers. Each model was developed with five different network architectures by selecting a different number of hidden neurons. The Models were trained using monsoon season (June to October) data of five years (1991-1995) for different sizes of architecture, and then tested with respective rainfall and temperature data of monsoon season (June to October) of two year (1996-1997). Training was conducted using the Levenberg-Marquardt backpropagation where the input and output were presented to the neural network as a series of learning sets. Simulated surface runoff and sediment yield were compared with observed values and the minimum root-mean-square error and Nash Sutcliff efficiency (coefficient of efficiency) criteria were used for selecting the best performing model. Regression models for predicting daily and weekly runoff and sediment yield were also developed using the above training datasets, whereas these models were tested using the testing datasets. In all cases, the ANN models performed better than the linear regression based models. The ANN models with a double hidden layer were observed to be better than those with single hidden layer. Further, the ANN model prediction performance improved with increased number of hidden neurons and input variables. As a result, models considering both rainfall and temperature as input performed better than those considering rainfall alone as input. Training and testing results revealed that the models were predicting the daily and weekly runoff and sediment yield satisfactorily. Therefore, these ANN models based on simple input can be used for estimation of runoff and sediment yield, missing data, and testing the accuracy of other models. L'évaluation précise de l'écoulement et du rendement de sédiment est exigée pour la gestion appropriée de ligne de partage. Des modèles artificiels de réseau neurologique (ANN) ont été développés, pour prévoir l'écoulement et le rendement de sédiment sur une base quotidienne et hebdomadaire, pour une petite ligne de partage agricole. Un total de cinq modèles ont été développés pour l'écoulement de prévision et déposent le rendement, dont trois modèles ont été basés sur un intervalle quotidien et les autres deux ont été basés sur un intervalle hebdomadaire. Chacun des cinq modèles a été développé avec une et deux couches cachées. Chaque modèle a été développé avec cinq architectures de réseau différentes en choisissant un nombre différent de neurones cachés. Les modèles ont été formés en utilisant des données de la saison de mousson (juin à octobre) de cinq ans (1991-1995) pour différentes tailles d'architecture, et puis examinés avec des données respectives de précipitations et de température de la saison de mousson (juin à octobre) de deux ans (1996-1997). La formation a été conduite en utilisant le backpropagation de Levenberg-Marquardt où l'entrée et le rendement ont été présentés au réseau neurologique comme une série d'étude place. Le rendement simulé d'eaux de surface et de sédiment ont été comparés aux valeurs observées et l'erreur de racine-signifier-place et des critères de l'efficacité minimum de Nash Sutcliff (coefficient d'efficacité) ont été employées pour choisir le meilleur modèle d'exécution. Des modèles de régression pour prévoir le rendement quotidien et hebdomadaire d'écoulement et de sédiment ont été également développés en utilisant les ensembles de données ci-dessus de formation, tandis que ces modèles ont été examinés en utilisant les ensembles de données d'essai. Dans tous les cas, les modèles d'ANN ont exécuté mieux que la régression linéaire basée des modèles. On a observé les modèles d'ANN avec une double couche cachée pour être meilleurs que ceux avec la seule couche cachée. De plus, l'exécution modèle de prévision d'ANN s'est améliorée avec le plus grand nombre de neurones cachés et de variables d'entrée. En conséquence, modèles considérant des précipitations et la température comme l'entrée a exécuté mieux que ceux considérant des précipitations seules comme entrée. Les résultats d'essai s'exerçants et ont indiqué que les modèles prévoyaient le rendement quotidien et hebdomadaire d'écoulement et de sédiment d'une manière satisfaisante. Par conséquent, ces modèles d'ANN basés sur l'entrée simple peuvent être employés pour l'évaluation du rendement d'écoulement et de sédiment, des données absentes, et d'examiner l'exactitude d'autres modèles. [article] Runoff and Sediment Yield Modeling Using Artificial Neural Networks: Upper Siwane River, India = Rendement d'Ecoulement et de Sédiment Modelant en Utilisant les Réseaux Neurologiques Artificiels : Fleuve Supérieur De Siwane, Inde [texte imprimé] / Raghuwanshi, N. S., Auteur ; Singh, R, Auteur ; Reddy, L. S. . - 71-79 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 11, N°1 (Janvier/Fevrier 2006) . - 71-79 p. Mots-clés : Runoff  Sediment  Yield  India  Neural  networks  Rendement  Rivers  Hydrologic  models  Ecoulement  Rendement  Réseaux  neurologiques  Fleuves  Modèles  hydrologiques Index. décimale : 551.4 Résumé : Accurate estimation of both runoff and sediment yield is required for proper watershed management. Artificial neural network (ANN) models were developed, to predict both runoff and sediment yield on a daily and weekly basis, for a small agricultural watershed. A total of five models were developed for predicting runoff and sediment yield, of which three models were based on a daily interval and the other two were based on a weekly interval. All five models were developed both with one and two hidden layers. Each model was developed with five different network architectures by selecting a different number of hidden neurons. The Models were trained using monsoon season (June to October) data of five years (1991-1995) for different sizes of architecture, and then tested with respective rainfall and temperature data of monsoon season (June to October) of two year (1996-1997). Training was conducted using the Levenberg-Marquardt backpropagation where the input and output were presented to the neural network as a series of learning sets. Simulated surface runoff and sediment yield were compared with observed values and the minimum root-mean-square error and Nash Sutcliff efficiency (coefficient of efficiency) criteria were used for selecting the best performing model. Regression models for predicting daily and weekly runoff and sediment yield were also developed using the above training datasets, whereas these models were tested using the testing datasets. In all cases, the ANN models performed better than the linear regression based models. The ANN models with a double hidden layer were observed to be better than those with single hidden layer. Further, the ANN model prediction performance improved with increased number of hidden neurons and input variables. As a result, models considering both rainfall and temperature as input performed better than those considering rainfall alone as input. Training and testing results revealed that the models were predicting the daily and weekly runoff and sediment yield satisfactorily. Therefore, these ANN models based on simple input can be used for estimation of runoff and sediment yield, missing data, and testing the accuracy of other models. L'évaluation précise de l'écoulement et du rendement de sédiment est exigée pour la gestion appropriée de ligne de partage. Des modèles artificiels de réseau neurologique (ANN) ont été développés, pour prévoir l'écoulement et le rendement de sédiment sur une base quotidienne et hebdomadaire, pour une petite ligne de partage agricole. Un total de cinq modèles ont été développés pour l'écoulement de prévision et déposent le rendement, dont trois modèles ont été basés sur un intervalle quotidien et les autres deux ont été basés sur un intervalle hebdomadaire. Chacun des cinq modèles a été développé avec une et deux couches cachées. Chaque modèle a été développé avec cinq architectures de réseau différentes en choisissant un nombre différent de neurones cachés. Les modèles ont été formés en utilisant des données de la saison de mousson (juin à octobre) de cinq ans (1991-1995) pour différentes tailles d'architecture, et puis examinés avec des données respectives de précipitations et de température de la saison de mousson (juin à octobre) de deux ans (1996-1997). La formation a été conduite en utilisant le backpropagation de Levenberg-Marquardt où l'entrée et le rendement ont été présentés au réseau neurologique comme une série d'étude place. Le rendement simulé d'eaux de surface et de sédiment ont été comparés aux valeurs observées et l'erreur de racine-signifier-place et des critères de l'efficacité minimum de Nash Sutcliff (coefficient d'efficacité) ont été employées pour choisir le meilleur modèle d'exécution. Des modèles de régression pour prévoir le rendement quotidien et hebdomadaire d'écoulement et de sédiment ont été également développés en utilisant les ensembles de données ci-dessus de formation, tandis que ces modèles ont été examinés en utilisant les ensembles de données d'essai. Dans tous les cas, les modèles d'ANN ont exécuté mieux que la régression linéaire basée des modèles. On a observé les modèles d'ANN avec une double couche cachée pour être meilleurs que ceux avec la seule couche cachée. De plus, l'exécution modèle de prévision d'ANN s'est améliorée avec le plus grand nombre de neurones cachés et de variables d'entrée. En conséquence, modèles considérant des précipitations et la température comme l'entrée a exécuté mieux que ceux considérant des précipitations seules comme entrée. Les résultats d'essai s'exerçants et ont indiqué que les modèles prévoyaient le rendement quotidien et hebdomadaire d'écoulement et de sédiment d'une manière satisfaisante. Par conséquent, ces modèles d'ANN basés sur l'entrée simple peuvent être employés pour l'évaluation du rendement d'écoulement et de sédiment, des données absentes, et d'examiner l'exactitude d'autres modèles.